基于機(jī)器學(xué)習(xí)的蛋白質(zhì)命名實體識別和相互作用關(guān)系抽取的研究.pdf

1、由于生物醫(yī)學(xué)文獻(xiàn)不斷增加，生物醫(yī)學(xué)文本挖掘領(lǐng)域的相關(guān)研究逐漸活躍開來。生物醫(yī)學(xué)文本挖掘的意義不僅在于生物信息的管理上，更重要的是在于生物文獻(xiàn)中的知識發(fā)現(xiàn)和利用，從而增進(jìn)對生物醫(yī)學(xué)現(xiàn)象和問題的了解及認(rèn)識。本文主要從生物醫(yī)學(xué)命名實體識別和生物醫(yī)學(xué)實體關(guān)系抽取兩方面開展研究工作，具體內(nèi)容如下：
　　 生物醫(yī)學(xué)命名實體識別是判斷并辨別生物醫(yī)學(xué)領(lǐng)域中出現(xiàn)的專有名詞，如：細(xì)胞、基因、藥物、疾病、組織、RNA和蛋白質(zhì)等名稱。本文提出了基于詞典

2、和多分類器疊加法的蛋白質(zhì)／基因?qū)嶓w識別方法BNERTagger。該方法分成三個主要步驟：第一步是預(yù)處理，主要是去停用詞、去標(biāo)點符號、小寫轉(zhuǎn)換以及詞性標(biāo)注等；第二步是詞典匹配，主要是采用現(xiàn)有的蛋白質(zhì)和基因名稱詞典進(jìn)行匹配，并作為特征輸入到多分類器中；第三步是多分類器疊加處理，主要是利用多種機(jī)器學(xué)習(xí)的方法進(jìn)行實體識別。BNERTagger中的多分類器疊加法是對已有的多分類器投票法的改進(jìn)，且利用已有的生物醫(yī)學(xué)詞典提高了方法的查準(zhǔn)率。計算實驗反

3、映了，我們的方法獲得了89.9％的查準(zhǔn)率和89.1%的查全率，高于已有的方法。
　　 生物醫(yī)學(xué)實體關(guān)系抽取的目的是從生物醫(yī)學(xué)文本中識別實體，進(jìn)而抽取實體之間的關(guān)系。在生物醫(yī)學(xué)實體關(guān)系中具有重要地位的是蛋白質(zhì)相互作用關(guān)系抽取，本文研究的是蛋白質(zhì)磷酸化作用關(guān)系的抽取，磷酸化信息抽取是將蛋白質(zhì)激酶、磷酸基（或稱磷酸位點）和蛋白質(zhì)底物等信息從文本中抽取出來。本文提出了兩個蛋白質(zhì)磷酸化作用關(guān)系抽取方法，分別是基于機(jī)器學(xué)習(xí)和規(guī)則的方法，以及

4、基于詞典擴(kuò)展的改進(jìn)方法。兩種方法主要思路是，首先利用自然語言處理技術(shù)對文本進(jìn)行預(yù)處理，然后使用基于多分類器疊加的BNERTagger方法進(jìn)行蛋白質(zhì)實體命名的識別，其中的改進(jìn)方法還利用了磷酸化數(shù)據(jù)庫Phospho.ELM來構(gòu)造詞典。計算實驗反映了，兩種方法取得的結(jié)果都好于已有方法，其中改進(jìn)的方法獲得了92.7%的查準(zhǔn)率和82.5%的查全率。
　　 本文的創(chuàng)新和貢獻(xiàn)主要有：1）提出了一種基于詞典和多分類器疊加的蛋白質(zhì)／基因?qū)嶓w命名識